搜索：视觉 - 语言智能体

「视觉 - 语言智能体」共找到 4659 篇相关文章

搜索智能体RAG落地不佳？UIUC开源s3，仅需2.4k样本，训练快效果好

当前 Agentic RAG 落地有挑战，UIUC 和 Amazon 提出 s3 训练范式。它仅需 2.4k 样本，训练快且效果好，解决了优化目标偏离、检索与生成耦合等问题，在通用和医学 QA 任务中表现出色。

字节跳动推出开源多模态基础模型BAGEL，有70亿活跃参数。它在多模态理解排行榜超顶尖开源模型，文本到图像质量与SD3媲美，还具备世界建模等能力，文中介绍其方法、特性及使用说明。

腾讯混元AI数字人团队打造SAGE自动化评估框架，可评价AI“共情力”与能否成“知心伴侣”。研究团队用其对18个主流模型测评，GPT - 4o表现最佳，还通过多实验分析模型特性。

来自多机构的研究团队提出 Holi - Spatial，可从原始视频自动生成 3D 重建等数据，构建 400 万级空间标注数据集 Holi - Spatial - 4M，提升 VLM 空间能力，还形成自动化数据飞轮，但存在计算成本高、特定场景表现不佳等局限。

多模态大模型看图常“脑补”，存在对象幻觉问题。北航团队提出AFTER框架，含FAS和QAO模块，能在主流LVLM和基准上显著降低幻觉，且推理开销低，为多模态助手落地提供实用路径。

人大窦志成教授团队联合OPPO研究院提出DeepImageSearch图像检索新范式，将其从“逐张语义匹配”推向“语料库级上下文推理”。团队构建评测基准DISBench，用ImageSeeker框架评测主流模型，结果显示最强模型单次完美解决查询比例不超三成。

字节发布InfinityStar框架，将5秒720p视频生成时间从30多分钟缩至58秒，还支持多样任务。它基于对视频本质思考设计时空金字塔模型，将时空分离，通过多项技术优化，性能表现出色，不过也存在一些技术局限。

蚂蚁开源dInfer框架，联合名校发论文阐述实现细节。它解决扩散模型推理难题，提出创新算法和系统优化策略，实验显示其推理速度远超Fast - dLLM和自回归模型标杆vLLM，代码已开源。

北京大学与BeingBeyond团队联合研发的BumbleBee系统，用创新的‘分治 - 精炼 - 融合’三级架构，实现人形机器人在多样化动作中的稳定控制，破解传统控制策略的‘专家困境’与‘现实鸿沟’。

北大团队提出ToolVQA数据集，用于提升基础模型工具使用能力。它含2.3万条样本，贴近真实需求。通过ToolEngine构建，涵盖多工具与任务领域。微调后模型表现佳，代码与模型已开源。